s'abonner
Les résultats positifs des tests d’une nouvelle technique d’apprentissage automatique (ML) développée à Georgia Tech pourraient aider les communautés à se préparer aux conditions météorologiques extrêmes et aux inondations côtières. L’approche pourrait également être appliquée à d’autres modèles qui prédisent l’impact des systèmes naturels sur la société.
Phillip Si, doctorant, et Peng Chen, professeur adjoint, ont développé Latent-EnSF, une technique qui améliore la façon dont les modèles ML assimilent les données pour faire des prédictions.
Dans des expériences de prédiction des prévisions météorologiques à moyen terme et de la propagation des vagues en eau peu profonde, Latent-EnSF a démontré une plus grande précision, une convergence plus rapide et une plus grande efficacité que les méthodes existantes d’assimilation de données éparses. La recherche est publiée sur le serveur de préimpression arXiv.
« Nous sommes actuellement impliqués dans un projet visant à fournir des informations en temps réel sur les inondations extrêmes dans le comté de Pinellas, en Floride », a déclaré Si, qui étudie les sciences et l’ingénierie informatiques (CSE). « Nous travaillons activement à l’intégration de Latent-EnSF dans le système, ce qui facilitera la modélisation précise et synchronisée des catastrophes naturelles. Cette initiative vise à améliorer la préparation des collectivités et les mesures de sécurité en réponse aux risques d’inondation.
Latent-EnSF a surpassé trois modèles comparables en termes de vitesse, de précision et d’efficacité d’assimilation dans les expériences de propagation des ondes en eau peu profonde. Ces tests montrent que les modèles peuvent faire des prédictions meilleures et plus rapides des vagues d’inondation côtières, des marées et des tsunamis.
Dans des expériences de prévision météorologique à moyen terme, Latent-EnSF a surpassé les trois mêmes modèles de contrôle en termes de précision, de convergence et de temps. De plus, ce test a démontré l’évolutivité de Latent-EnSF par rapport à d’autres méthodes.
Ces résultats prometteurs soutiennent l’utilisation de modèles d’apprentissage automatique pour simuler le climat, la météo et d’autres systèmes complexes.
Traditionnellement, de telles études nécessitent l’utilisation de supercalculateurs de grande taille et énergivores. Cependant, des avancées telles que Latent-EnSF rendent possibles des modèles d’apprentissage automatique plus petits et plus efficaces à ces fins.
L’équipe de Georgia Tech a mentionné cette comparaison dans son article. Il faut des heures à l’ordinateur du Centre européen pour les prévisions météorologiques à moyen terme pour exécuter ses simulations. À l’inverse, le modèle ML FourCastNet a calculé la même prévision en quelques secondes.« La résolution, la complexité et la diversité des données continueront d’augmenter à l’avenir », a déclaré Chen, professeur adjoint à la School of CSE.« Pour suivre cette tendance, nous pensons que les modèles de ML et les méthodes d’assimilation de données basées sur le ML deviendront indispensables pour l’étude de systèmes complexes à grande échelle. »
L’assimilation de données est le processus par lequel les modèles ingèrent en permanence de nouvelles données du monde réel pour mettre à jour les prédictions. Ces données sont souvent rares, c’est-à-dire limitées, incomplètes ou réparties de manière inégale dans le temps.
Latent-EnSF s’appuie sur le modèle EnSF (Ensemble Filter Scores) développé par les chercheurs de l’Université d’État de Floride et du Laboratoire national d’Oak Ridge.
La force d’EnSF est qu’elle assimile des données avec de nombreuses fonctionnalités et des relations imprévisibles entre les points de données. Cependant, l’intégration de données éparses entraîne une perte d’informations et des lacunes dans les connaissances du modèle. De plus, de tels modèles de grande taille peuvent cesser complètement d’apprendre à partir de petites quantités de données éparses.
Les chercheurs de Georgia Tech utilisent deux auto-encodeurs variationnels (VAE) dans Latent-EnSF pour aider les modèles ML à intégrer et à utiliser des données du monde réel. Les VAE encodent des données éparses et des modèles prédictifs dans le même espace pour assimiler les données avec plus de précision et d’efficacité.
L’intégration de modèles avec de nouvelles méthodes, comme Latent-EnSF, accélère l’assimilation des données. Produire des prévisions précises plus rapidement lors de crises réelles pourrait sauver des vies et des biens pour les communautés.
Pour partager Latent-EnSF avec l’ensemble de la communauté des chercheurs, Chen et Si ont présenté leur article à la conférence SIAM sur les sciences et l’ingénierie informatiques (CSE25). La Society of Industrial and Applied Mathematics (SIAM) a organisé le CSE25, qui s’est tenu du 3 au 7 mars à Fort Worth, au Texas.
Chen était l’un des dix membres du corps professoral de l’École de l’École de l’École de l’économie de l’énergie à présenter des recherches à l’École de l’économie de l’Ontario, ce qui représente un tiers de l’ensemble du corps professoral de l’École de l’École de l’Ontario. Latent-EnSF était l’un des 15 articles des auteurs de la School of CSE et l’un des 23 articles de Georgia Tech présentés lors de la conférence.
Le duo présentera également Latent-EnSF lors de la prochaine Conférence internationale sur les représentations de l’apprentissage (ICLR 2025). Se déroulant du 24 au 28 avril à Singapour, l’ICLR est l’une des conférences les plus prestigieuses au monde consacrées à la recherche sur l’intelligence artificielle.
« Nous espérons attirer l’attention des experts et des scientifiques du domaine sur le domaine passionnant de l’assimilation de données basée sur le ML en présentant notre article », a déclaré Chen. « Notre travail offre une nouvelle solution pour remédier à certaines des principales lacunes dans le domaine pour des applications plus larges. »
